Dans cet article, nous abordons le problème de la détection et de la segmentation des anomalies dans les images. La détection d'anomalies consiste à prendre une décision binaire quant à la présence ou non d'une anomalie dans une image d'entrée, tandis que la segmentation des anomalies vise à localiser l'anomalie au niveau pixel. La description de données par machines à vecteurs (SVDD) est un algorithme classique utilisé pour la détection d'anomalies, et nous étendons sa variante basée sur l'apprentissage profond à une méthode par patches grâce à un apprentissage auto-supervisé. Cette extension permet à la fois la segmentation des anomalies et améliore les performances de détection. En conséquence, les performances de détection et de segmentation des anomalies, mesurées par l'AUROC sur le jeu de données MVTec AD, ont augmenté respectivement de 9,8 % et 7,0 % par rapport aux méthodes les plus avancées précédemment publiées. Nos résultats démontrent l'efficacité de la méthode proposée ainsi que son potentiel d'application industrielle. Une analyse détaillée de la méthode proposée fournit des éclairages sur son comportement, et le code source est disponible en ligne.